面试题: LEAD 和 LAG 求每个用户的页面停留时长

Posted 2023-02-16 宝哥大数据[离职找工作中，大佬帮内推下]

我们先来看看这两个函数的语法：

LEAD(col,n,default) OVER()

• 说明： 用于统计窗口内向下第n行的值
• 参数1： 为要取值的列名
• 参数2： 为向下第n行，默认值为1，这个值是固定的，不能动态的变化
• 参数3： 为默认值，当向下第n行的值为NULL时，取默认值，如果不指定，则默认值为NULL

LAG(col,n,default) OVER()

• 说明： 用于统计窗口内向上第n行的值，与lead()刚好相反
• 参数1： 为要取值的列名
• 参数2： 为向上第n行，默认值为1，这个值是固定的，不能动态的变化
• 参数3： 为默认值，当向上第n行的值为NULL时，取默认值，如果不指定，则默认值为NULL

实例：求每个用户的页面停留时长

页面停留时长：用户进入A页面，又进入B页面。进入A页面的时间为date1，进入B页面的时间为date2，那么在A页面的停留时间为date2-date1。实际生产场景中，可能会考虑不超过30min等等因素。

1.1、创造数据

CREATE TABLE log_info
( 
 uid string,
 dateline string,
 page string
);
-- 模拟数据 
INSERT INTO log_info VALUES ('1001', '2021-08-10 10:18:31', 'url3'),
('1001', '2021-08-10 10:01:24', 'url1'),
('1001', '2021-08-10 10:05:22', 'url2'),
('1002', '2021-08-10 10:10:31', 'url1'),
('1002', '2021-08-10 10:15:31', 'url2'),
('1002', '2021-08-10 10:18:31', 'url3');

1.2、常规方法: 排序，自关联

1.2.1、排序

SELECT *, 
    ROW_NUMBER() OVER(PARTITION BY uid ORDER BY dateline) rank
FROM log_info 

1.2.2、自关联

SELECT t1.uid,
    t1.dateline start_time,
    t2.dateline end_time,
    t1.page
FROM 
    (SELECT *,
         ROW_NUMBER() OVER(PARTITION BY uid ORDER BY  dateline) rank
    FROM log_info ) t1
LEFT JOIN 
    (SELECT *,
         ROW_NUMBER() OVER(PARTITION BY uid ORDER BY  dateline) rank
    FROM log_info ) t2
ON t1.uid = t2.uid AND t1.rank+1=t2.rank;

用户进入一个页面和跳到另一个页面的时间，通过这两个时间的差值就是我们要计算的用户页面停留时长

1.3、LEAD

SELECT   uid,
   dateline,
   lead(dateline,1) over(distribute by uid sort by dateline asc) as dateline_end,
   page
 FROM log_info;